编辑推荐：
针对端到端 Transformer 检测器结构复杂、泛化性差的问题，研究人员基于 Lite-DETR 开展 PCB 表面微小缺陷检测研究，设计 LEBN、IFAM、RCFFM 模块，在两数据集达 99.0% 和 99.2% mAP，参数仅 520 万，平衡精度与复杂度。
在电子信息产品日益微型化的当下，印刷电路板（PCB）作为核心部件，其表面缺陷检测面临严峻挑战。随着电子产品小型化，PCB 设计愈发紧凑，缺陷特征极微小，多数仅占图像 0.005%–0.07%，且与背景颜色相近难区分，传统人工视觉检测效率低下，基于卷积神经网络（CNN）的方法依赖非极大值抑制（NMS）后处理，影响速度且难以端到端检测，还难以捕捉多尺度特征；基于 Transformer 的实时检测 Transformer（RT-DETR）虽表现优异，但存在微小缺陷细节捕捉不足、模型复杂度高、泛化性有限等问题。因此，如何在复杂工业环境中实现高精度、高效率的 PCB 微小缺陷检测成为亟待解决的难题。
为应对上述挑战，国内研究人员开展了相关研究，其研究成果发表在《Engineering Applications of Artificial Intelligence》。
研究人员采用的主要关键技术方法包括：设计基于优化 ResNet-18 的轻量级高效主干网络（LEBN），融入 Basic-CG 块以增强对缺陷上下文信息的关注；构建图像特征增强模块（IFAM），通过多种图像特征变换操作提升模型对多样化特征的学习能力；引入选择性边界聚合（SBA）模块构建精细化跨尺度特征融合模块（RCFFM），实现特征间信息的选择性传播；采用结合最小点距离交并比和归一化瓦瑟斯坦距离的 WMPDIoU 优化边界框匹配。实验在 HRIPCB 数据集（含 6 类缺陷）和 DEEP PCB 数据集上进行。
研究结果
- 模型框架设计：提出基于 RT-DETR 的轻量级 PCB 表面缺陷检测框架 Lite-DETR，包含 LEBN、IFAM、RCFFM 和 decoding detection head。LEBN 基于 ResNet-18 优化，减少参数的同时保留更多细节特征，Basic-CG 块增强对缺陷上下文信息的关注。
- 特征增强与融合：IFAM 通过多种图像特征变换操作，在不增加数据处理复杂度的情况下提升模型对多样化特征的学习能力，增强泛化性；RCFFM 利用 SBA 模块解决跨尺度特征融合中的信息冗余问题，实现特征间信息的选择性传播，使模型有效捕捉多尺度缺陷特征。
- 检测性能评估：在 HRIPCB 数据集和 DEEP PCB 数据集上，Lite-DETR 的平均精度均值（mAP）分别达到 99.0% 和 99.2%，显著优于其他先进缺陷检测模型。此外，模型参数仅 520 万，相比 RT-DETR 减少 74%，有效平衡了检测精度与模型复杂度。
研究结论与讨论
Lite-DETR 成功解决了传统检测方法在 PCB 微小缺陷检测中的不足，通过轻量化主干网络、特征增强与跨尺度特征融合等创新设计，在保证高精度检测的同时大幅降低模型复杂度，为复杂工业环境下的 PCB 微小缺陷检测提供了可靠解决方案。其在多个数据集上的优异表现表明了该模型的有效性和泛化性，有望推动 PCB 缺陷检测技术在工业界的实际应用，提升电子制造行业的质量控制水平。未来研究可进一步探索模型在更复杂场景下的适应性，以及与其他先进技术的结合，以不断优化检测性能。
